「最近幾乎不看書了，會不會對腦袋不好？」
先說結論：只因為「讀了一本書」，大腦不會自動獲得經驗值。 真正重要的是，在閱讀過程中，大腦做了哪些工作。
書可以帶來新知識，把新舊知識連起來，讓你追蹤很長的論證，讓你碰到自己沒有主動搜尋的內容，也讓你長時間接觸文字。小說還會要求你想像別人的內心與人生。
如果改成一直和AI對話：「為什麼？」「真的嗎？」「研究怎麼說？」「那這種情況呢？」「是不是和之前那個結構一樣？」——其中很多認知工作其實重疊。AI還能在你卡住的那一刻停下來解釋，提出反方觀點，追到原始論文，並把新知識和你已經知道的東西連接起來。
所以，「書讀得少」不等於「沒有做智力活動」。用得好的互動式AI，甚至可能比被動地從頭讀到尾更需要思考。
問題也在這裡：AI太會給答案，因此你可能把「自己回想」「自己解題」「自己追完整段長邏輯」也外包掉。本文的核心，就是區分「可以放心外包」和「想學會就最好親自做」的部分。
1. 把「讀書的好處」拆成功能
「讀書很好」太籠統。至少可以拆成幾種不同工作。
第一，獲得知識。歷史、科學、經濟、心理等。
第二，連接知識。例如「利率」逐漸連到通膨、貸款、央行、投資、購買力。
第三，追蹤長邏輯。作者從A → B → C → D一步一步搭建，你要把前面內容留在腦中。
第四，遇到自己沒有選的資訊。搜尋通常回答你已經提出的問題；書則可能製造意外：「這章我本來沒興趣，原來很重要。」
第五，長時間接觸語言。詞彙、句型、說明方式與文章節奏都會累積。
第六，尤其是小說中的他人模擬。2024年的預註冊後設分析發現，小說閱讀的實驗性認知收益平均很小，g = 0.14；比較明確的正向效果主要出現在同理心與推測他人心理方面 [1]。這是真效果，但不是超能力。
所以書的獨特價值不只是資訊，也包括走完一條長路、被帶到自己沒選的地方、長時間待在文字世界裡。
2. AI「來回壁打ち式對話」能替代什麼？
問AI一題、複製一個答案，和真正的連續追問不是一回事。
例如只問「雨的味道是什麼？」就結束，比較像搜尋。但如果接著問：
- 為什麼下雨會有那個味道？
- 土裡到底是什麼造成的？
- 是微生物嗎？
- 人為什麼能感覺到那麼低的濃度？
- 為什麼有時下雨前就聞得到？
- 其他動物呢？
- 原始研究到底證明到哪裡？
知識就會從一個點變成網。
這很接近學習科學裡的自我解釋（self-explanation）與精緻化（elaboration）。自我解釋就是主動生成「為什麼成立」「和什麼概念相連」。2018年的後設分析整合64份研究報告、69個效應量，發現自我解釋提示的總體學習效應約為 g = 0.55 [2]。
AI對話厲害的地方就在：每問一次，都有機會更新腦中的地圖。
書：走作者鋪好的路。
AI對話：自己決定往哪走，讓AI搬材料。
兩者都可以是學習，只是分工不同。
3. 什麼是基模（schema）？腦內的「知識地圖」
schema常譯為基模、圖式。名字很學術，意思其實簡單：
基模 = 你腦中「這個世界大概怎麼運作」的知識地圖。
一開始，「利率」可能只是一個孤單的點。
後來它和存款、貸款、通膨、央行、投資、匯率連在一起。於是看到「政策利率上升」，你會自動想到：「存款利率呢？」「房貸呢？」「股票呢？」「匯率呢？」
研究把基模視為從多次經驗中抽象出來的高階知識結構。它能幫助理解與記憶新資訊，但舊框架太強，也可能使記憶產生偏差甚至扭曲 [3]。
因此「感覺腦中的神經網路要連起來了」是個不錯的比喻。不過不要理解成「問一次，腦裡立刻長出一條實體電線」。更準確的說法是：把新資訊放進已有結構，並建立關係。
AI特別擅長把這個循環加速：發現洞 → 馬上問 → 補上 → 又發現旁邊的洞。
4. 精緻化：想記住，就不要只加點，要加線
**精緻化（elaboration）**這個詞看起來像Boss名稱，其實做法非常簡單：
把一個知識講得更具體，並和其他知識連起來。
如果只記：
「土臭素（geosmin）＝雨味的一部分」
入口很少。
如果變成：
土壤微生物產生它
→ 雨滴能讓相關物質進入空氣
→ 人類能感覺非常低的濃度
→ 所以雨前後這種味道特別明顯
你就有好幾條路能回到原本的記憶。
不是只有A，而是 B ← A → C，再加 A → D。
問AI「為什麼？」「舉例？」「和之前的X像嗎？」「反例？」「放到這個情況怎麼解釋？」就是在加線。
但不要什麼都加線。今天ATM手續費220日圓這種短期資訊，沒必要建立「ATM手續費大統一理論」。長期想保留的原理建網路，臨時數字放外面。
5. 提取練習：跟人聊天會自動變成突擊小考
提取練習（retrieval practice）不是上網搜尋，而是不看資料，從自己的記憶裡把內容撈出來。
星期一用AI查過一個話題，星期四聊天時突然說：
「對了，我之前查過，好像是……」
這一刻大腦就在做提取。
2021年針對學校與課堂研究的系統性回顧篩選近2,000篇摘要，納入50項實驗、共5,374名學習者。49個效應量中，57%顯示中等或大型的提取練習收益，而且跨年級、科目、延遲時間與測驗形式都能看到效果 [4]。
聊天還多一個步驟：
AI輸入
→ 跟別人解釋
→ 對方問「為什麼？」
→ 你卡住
→ 知識洞出現
→ 回去再問AI。
這就是輸入 → 提取 → 找洞 → 再輸入。
不一定每天晚上都要像修行一樣「複習今天三個知識」。正常聊天本身就可能是隨機抽考。
6. 做文章的人，會從「追長邏輯」變成「搭長邏輯」
閱讀的優點之一，是追蹤很長的推理。那製作文章的人呢？
讀者追 A → B → C → D。
作者或編輯決定 A、B、C、D 應該怎麼排，別人才看得懂。
也就是說，一部分「追邏輯」會換成**「搭邏輯」**。
2020年針對1到12年級學生、共56項實驗的後設分析，檢驗圍繞科學、社會學科或數學內容寫作是否能促進學習，平均效應量為0.30 [5]。寫作會逼人篩選、組織、連接、重新說明資訊。
但AI時代有個大坑：如果你只說「全部幫我研究、做結構、寫文章」，完成後一個字不看，那長邏輯主要是AI搭的。
如果在成文前一直說「這不對」「把這篇研究加進去」「這兩段要連起來」「反方呢？」，那人仍在做策劃與編輯。
因此完全可能出現一種人：書看得不多，但每天做大量「寫書之前的腦內工程」。
7. AI的陷阱：AI會，所以誤以為「我會」
這是最重要的警告。
AI很容易把兩件事混在一起：
「答案出來了」
和
「我自己會做」。
2025年PNAS的高中數學現場實驗中，使用較自由GPT-4式「GPT Base」的學生，在可使用AI的練習中比對照組高48%；帶學習保護設計的「GPT Tutor」高127%。但到了不能使用AI的獨立考試，GPT Base組反而比從未使用AI的對照組低17%。Tutor組幾乎消除了這個負面效果，但在無AI考試中也沒有明顯高於對照組 [6]。
開AI：「我數學滿強的嘛。」
關AI：「請問你是誰？」
2026年8月修訂的西洋棋工作論文也有相似警告。200多名棋社學生訓練12週，系統只在關鍵時刻自動提示的組，技能提升64%；額外擁有「隨時求助」按鈕的組只提升30%。作者認為，太快向AI求助減少了有生產力的掙扎（productive struggle），是差距的重要原因 [7]。這仍是工作論文，需要更多同行評審與重複研究。
AI不是學習殺手。同一個AI，給答案的時機不同，可以是家教，也可以是抄答案機。
8. 數學可以整包外包嗎？「學數學」和「用數學」
先問目的。
如果目標是提高數學能力本身，每次都讓AI完整解題，訓練當然弱。列式、犯錯、修改，本來就是技能的一部分。
但如果真正的問題是：
「100萬日圓放在年利0.2%和0.6%的銀行，十年後差多少？」
那你真正需要的不是手算複利的肌肉，而是判斷：
- 實際差額多少，
- 稅後多少，
- 手續費多少，
- 通膨會不會吃掉收益，
- 為這個差額換銀行值不值。
沒有必要每次都拿紙筆展開複利公式。
不用加入「手算銀行利率鍛鍊大腦教」。真的，拿計算機。
這不表示數學概念沒用。你仍需要理解到足以看出離譜答案。但如果目的是取得可靠數字來做決策，不是練習計算本身，外包完全合理。
9. 麻將：最後只有AI升段
麻將這類技能遊戲也一樣。
每局都：
「打哪張？」
AI：「五萬。」
人：「喔——原來如此。」
一直這樣，就會跳過看局面、列候選、比較、選擇、看結果、修正模型的循環。
結果容易變成：AI升段，人類在旁邊負責說「有道理」。
但這也不代表必須禁AI。
麻將對多數人是興趣。如果「我自己判斷得越來越好」本身就是樂趣，那練習有價值。如果只是想玩、想跟AI一起分析、不想為幾個百分點勝率刷幾百局，也沒有義務把技能練滿。
當興趣變成：
「為了勝率多2%，今天再做100次重複訓練！」
完全可以問：
「我的興趣什麼時候變作業了？」
一項技能特別值得留在自己腦中，通常因為做它本身很快樂、沒法外包，或不會時的代價很高。否則外包也沒罪。
10. 我對小說過敏，看電影不行嗎？
部分成立。
如果目標是故事、人物、情緒、體驗另一種人生，電影能完成很多。它直接提供臉、聲音、房間、動作、音樂和節奏。
小說把其中一部分渲染工作留給讀者。
文字：「一個男人站在昏暗的房間裡。」
大腦：「什麼房間？什麼臉？什麼聲音？什麼氣氛？」
電影等於影視公司幫你外包了大量腦內渲染。
2024年小說閱讀後設分析的平均實驗效應只有 g = 0.14，主要在同理心與推測他人心理方面看到顯著正效應 [1]。因此「不讀小說，人性就沒了」沒有根據。
小說仍有獨特工作：長時間接觸文字、只憑文字建構場景、長期跟隨作者的語言。電影的優勢則是高密度的視覺、聲音與表演。
如果目標只是「體驗故事」，電影完全是合理路線。如果目標還包含持續閱讀與腦內生成場景，小說仍有不能完全替代的部分。
11. 認知卸載：把腦力工作搬到外面，是壞事嗎？
**認知卸載（cognitive offloading）**是利用外部行動或工具改變任務，降低腦內處理需求 [8]。
提醒事項。
筆記。
計算機。
地圖。
AI。
全都是。
人類一直在外包。大家不再背所有電話號碼，也沒有因此導致文明滅亡。
真正的問題不是「有沒有外包」，而是：
「是不是連必須獨立完成的能力也外包了？」
例如：
- 利率乘法 → 很適合外包
- 決定該比較什麼 → 自己要會
- 校對錯字 → 很適合外包
- 感覺某個主張怪怪的 → 要保留自己的判斷
- 麻將最佳出牌 → 看玩麻將的目的
- 緊急操作機器 → 若失敗代價大，最好自己也會
AI時代真正的問題不是「怎麼不用AI」。
而是：
「哪些工作應該搬出大腦？省下來的腦力拿去做什麼？」
12. 這問題真的在長基模嗎？「那時候Dekopin呢？」問題
問題多，不等於學習多。
大谷翔平在2024年12月宣布妻子懷上第一個孩子時，公布的照片裡也有愛犬Dekopin（Decoy）[9]。日本社群媒體後來把「那時候Dekopin呢？」這種過度追問細節的句式玩成梗。本文不認定某一則貼文為唯一原始來源，只把它當作傳開的迷因格式。
有用的精緻化問題：
「A真的造成B嗎？」
「和C是同一個機制嗎？」
「例外是什麼？」
「這是相關還是因果？」
雜問型：
「什麼時候？」
「哪裡？」
「幾點幾分？」
「那時候Dekopin呢？」
後者有時只是看到資訊表有空格，就想把每個空格都點開。
當然，很好笑。不是每份好奇心都必須追求學習效率。Dekopin部門負責讓人生不要太無聊。
但如果目標是記住與理解，可以問：這問題是在增加有用的連結，還是只是補一個格子？
13. AI時代，哪些東西值得留在腦裡？
如果AI越來越強，人還該學什麼？
不用把所有數字與計算都存進腦。
更值得保留的是：
目標：你到底想做什麼。
基本概念：利率、機率、因果、風險等，讓你看得懂結果。
提出問題的能力：為什麼？和什麼比？反例呢？
懷疑能力：AI可以很有自信地錯，重要問題要看原始資料。
連接能力：把新知識掛到舊知識上。
判斷：數字算完後，決定「所以怎麼辦」。
即使AI負責計算、搜尋、起草，人仍要決定：算什麼、信哪個答案、拿答案做什麼。
14. 實踐：把AI對話變成學習裝置
不必重新發明一整套學習法，只要改一點提問方式。
想記住的知識
別停在「告訴我答案」，繼續問：
- 用國中生也懂的方式說明。
- 為什麼？
- 具體例子？
- 失敗或反例？
- 和之前的X怎麼連？
- 研究到底確定到哪裡？
- 原始來源？
- 我這樣解釋，哪裡錯？
想掌握的技能
把AI從司機降職成教練。
數學：「先別給答案，只幫我列式。」
麻將：先自己選一張，再讓AI評分。
不需要親自熟練的計算
大膽外包。
銀行利率、長表格、稅後比較——如果真正目標是決策，不用把手算神聖化。
再把它取出來
聊天時不看螢幕解釋。說不出來的地方，就是下一輪調查入口。
AI輸入 → 精緻化連接 → 對話中提取 → 發現缺口 → 再問AI
這就是循環。
15. 總結：別只增加資訊，要增加連結
書仍然很強，特別擅長：
- 讓你遇到自己沒選的資訊，
- 訓練追蹤長論證，
- 長時間接觸文字，
- 只憑文字在腦中建構人物與世界。
AI來回對話則擅長：
- 卡住時立刻問，
- 找研究，
- 產生反方觀點，
- 連接既有知識，
- 快速補基模的洞。
2025年哈佛物理課的一項隨機對照研究中，依學習科學原則設計的AI導師，比課堂主動學習得到更大的學習增益。AI組學習時間中位數49分鐘，課堂約60分鐘；作者在處理天花板效應的分析中估計效應量約0.73—1.3個標準差。這不是「AI vs 一對一真人家教」。研究採交叉設計，同一學生兩種條件都體驗過，對照是研究型的哈佛主動課堂 [10]。
所以「AI學習一定很淺」已經不能當成通則。
但數學與西洋棋研究也提醒：AI如果拿走太多掙扎，就可能形成AI在時表現很好，AI一關就不會 [6][7]。
答案不是書或AI二選一。
想長期記住的原理，用AI增加連結。
想獨立完成的技能，先自己嘗試。
不需要練熟的計算，大膽外包。
偶爾讓書或其他作品把你帶到自己根本不會搜尋的地方。
大腦沒必要存下每一個數字。
更重要的是世界地圖，以及地圖上點與點之間的道路。
想記得更牢，不要只增加資訊，要增加連結。
參考資料（10筆）
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
